1.1 选题的背景与意义
1.1.1 选题的背景
中国是茶之故乡，茶叶作为我国的传统名优特产，历史悠久[1]。统计表明，2025 年，全球茶叶消费量预计将达到 740 万吨[2]。据中国海关数据，2025年1月-6月，中国茶叶累计出口量为20.07万吨，累计出口额为7.15亿美元。拥有较高的茶叶产量和较优的茶叶质量对我国茶叶的产值具有重要的意义。云南普洱作为中国乃至世界的“茶都”，茶产业是关乎地方经济发展与民生福祉的支柱产业。然而，茶叶病害（如炭疽病、茶饼病、轮斑病、云纹叶枯病等）的频发与蔓延，严重制约了产业的提质增效。传统病害识别高度依赖农技专家或经验丰富茶农的肉眼观察，该方法存在主观性强、效率低下、人力成本高且专家资源无法覆盖广大分散茶园等固有瓶颈。病害发现不及时往往错失最佳防治时机，导致茶叶减产降质，直接损害茶农经济收益，成为困扰普洱茶产业现代化转型的“卡脖子”问题。

1.1.2 选题的意义
本研究旨在研究一种能部署于便携设备的茶叶病害实时识别方法，针对茶叶病害识别的特定场景，通过对YOLOv11模型引入轻量化卷积与注意力机制，探索在极致压缩模型复杂度的同时保持甚至提升精度的新路径，为边缘计算环境下的轻量化模型设计提供有益的算法参考和经验积累，服务于云南普洱茶农，助力实现病害精准防治、降本增效，对推动地方特色产业智能化升级、促进绿色发展具有直接应用价值。同时，该研究也是数据科学技术赋能农业、服务家乡的典型实践。
1.2 国内外研究现状
1.2.1 国内研究现状
国内研究团队在茶叶病害智能识别领域已取得了显著进展，其研究重点正从单纯追求高精度模型转向精度与效率的平衡，并积极探索边缘部署的可行性，以期满足实际茶园环境的应用需求。
轻量化模型设计与改进
面对茶园现场计算资源有限的挑战，多个研究团队致力于对现有深度学习模型进行轻量化改进，旨在降低模型复杂度和计算量的同时，保持较高的识别精度。
安徽农业大学的研究团队针对茶叶病虫害检测中模型难以兼顾精度与效率的问题，对MobileNetV2进行了改进。他们设计了一种新颖的Ghost coordinate attention (GCA)模块，该模块融合了Coordinate attention的位置敏感性与GhostNet的高效计算特性，增强了对关键病害区域的特征表达能力。同时，他们采用标签平滑(Label smoothing, LS)正则化策略优化训练过程，提升模型泛化能力。最终得到的MobileNetV2-GCA-LS模型在测试集上识别准确率达到了94.54%，F1分数为94.29%，同时保持了较低的复杂度（参数量为2.6089 M，计算量为0.3347 GFLOPs），验证了其在资源受限设备上部署的可行性[3]。安徽省农业科学院农业经济与信息研究所的研究人员则提出了一种名为TDDet的轻量高效的茶叶病害检测器。该模型沿用YOLOv8架构，但在特征提取方面使用了深度可分离卷积(DW) 以降低计算量，并引入多查询注意力(MQA) 机制，通过共享查询并独立映射键和值来减少计算和内存开销。在特征聚合环节，提出了跨尺度特征融合(CFF) 模块，利用高效多尺度注意力(EMA) 和部分卷积(PConv) 来增强多尺度空间信息并提高聚合效率。实验表明，TDDet的mAP达到了94.33%，优于其他先进模型，且更轻量[4]。
注意力机制与特征融合的创新应用
为了提升模型对复杂背景下细小病斑的识别能力，注意力机制得到了广泛应用和创新。有研究者提出了基于三重注意力机制的多视角茶叶病害检测方法。该方法从通道-宽度、通道-高度以及宽度-高度三个不同视角重新审视特征图。基于通道-高度视角及通道-宽度视角，提出了一种新的残差多尺度增强注意力模块，以提取病害图像的语义信息和空间特性。同时，从三个视角出发，提出了一种新的基于三重注意力的特征融合增强模块，对通道和空间特征进一步融合，以提高模型对叶片和病害的区分能力。改进后的模型实现了95.2%的mAP、93.1%的精度和92.0%的召回率[5]。
另一项研究则致力于融合通道和空间注意力，以应对茶叶病害叶片尺度变化、相互遮挡、复杂背景等挑战。该方法首先利用多层的自注意力机制提取茶叶病害的多尺度特征，以获取茶叶图像在不同尺度下的局部细节特征；其次引入新的通道注意力模块以提取更丰富的通道信息，同时抑制复杂背景噪声并增强模型特征表示能力；此外，还设计了一种新的空间注意力模块进一步提取特征的空间关系、减少冗余信息并优化计算开销[6]。
在落地实践方面，黄山学院“智茶先锋”团队依托嵌入式边缘计算与轻量级深度学习模型（如YOLOv5），成功实现对茶叶嫩芽的精准识别、三维定位及自动采摘。这一创新技术有效降低了数据延迟和外泄，通过图像识别与点云重建技术，实现了采摘的精准与高效[8]。
1.2.2 国外研究现状
国外研究同样关注深度学习在农业领域的应用，特别是在边缘设备上的实时目标检测和复杂环境下的模型优化方面取得了重要进展，其研究成果对茶叶病害识别具有重要的借鉴意义。
North Dakota State University (NDSU)的研究团队针对动态环境条件下杂草与作物高相似度导致的识别难题，开展了基于优化YOLO模型的边缘计算研究。他们开发了YOLO11n和YOLO11-edge-base等轻量化模型。该研究采用的关键技术包括：利用配备RGB相机的无人地面车辆(UGV)采集并构建包含5种杂草和8种作物的多类数据集；基于YOLOv10/YOLO11架构开发定制化模型，通过C3K2模块和深度可分离卷积(DWconv) 优化计算效率；在NVIDIA Jetson AGX Orin边缘设备上测试模型性能，并采用TensorRT加速实现实时推理。结果显示，YOLO11n实现了mAP@0.5 0.83和F1-score 0.783（推理速度达10 ms）。而经过轻量化改造的YOLO11-edge-base更将参数减少83.46%，模型体积压缩80.91%，在保持0.819 mAP@0.5的同时将推理时间降至6.7 ms。这项研究为精准农业智能喷洒系统提供了关键技术支撑，据测算可减少83%的除草剂使用量[7]。该研究平衡精度与速度的思路及其在边缘设备上的优化部署策略，为茶叶病害的实时识别提供了直接参考。
1.2.3 国内外研究评述
综合国内外研究现状可以看出，当前基于深度学习的茶叶病害识别研究已取得显著进展，但仍存在以下两方面局限性：
其一，模型轻量化与精度保持的平衡机制尚未完善。现有研究虽通过轻量化卷积（如深度可分离卷积）和注意力机制（如Coordinate Attention）提升模型效率，但多侧重于通用场景优化。针对茶叶病害特有的小目标、多尺度特征及复杂背景（如叶片遮挡、光照变异），现有方法在边缘设备上的精度-效率权衡仍显不足。例如，TDDet模型虽实现了94.33%的mAP，但其在嵌入式设备上的实时推理能力尚未得到充分验证；而国外研究中的YOLO11-edge-base模型虽推理速度达6.7 ms，但针对茶叶病害的适应性仍有待考察。
其二，边缘部署的实践验证与场景适配性不足。当前研究多集中于实验室环境下的算法优化，缺乏在实际茶园环境中的大规模验证。尽管华南农业大学团队通过变焦采集系统提升了数据质量，但模型在边缘设备（如Jetson Nano）上的长期稳定性、功耗控制及网络波动下的鲁棒性尚未得到系统评估。此外，现有研究较少考虑茶园多变的自然环境（如雨雾干扰、昼夜光照差异）对模型泛化能力的影响。
本研究针对上述局限性，提出以下改进方向：
通过融合GSConv轻量化卷积与EMA多尺度注意力机制，在降低模型复杂度的同时增强对茶叶小病斑的特征捕捉能力，突破传统精度-效率权衡瓶颈。

2研究的目标和内容
2.1 研究目的
针对当前 YOLOv11 模型在边缘计算场景下茶叶病害识别中存在的 “小病灶捕捉精度不足” 与 “模型计算量过高、难以适配边缘设备” 两大核心问题，通过在 YOLOv11 模型中插入轻注意力模块与进行轻量化卷积替换，实现以下研究目标：一是性能优化，通过引入轻量级注意力机制，增强模型对茶叶图像中微小病斑特征的表征能力和对复杂背景的抑制能力，从而提升模型的识别精度与鲁棒性，解决传统方法在细粒度、小目标检测上的不足。二是效率优化，通过采用先进的轻量化卷积模块替换模型中的标准卷积，显著削减模型的参数量、计算复杂度和物理体积，使其能够满足边缘设备对低功耗、高速度的严苛要求，为实现实时推理奠定基础。三是应用落地，将改进后的模型部署到典型的边缘计算硬件上进行性能评估，验证其在实际应用场景中的有效性、实时性与可行性，最终为茶农提供一种低成本、便携式的智能化病害诊断工具，助力普洱茶产业智能化升级。
2.2 研究内容
2.2.1 核心研究内容
本研究最核心的创新工作。以YOLOv11-n基线模型，从其网络结构入手，进行以下两方面的针对性改进：
一是轻量化卷积替换以降低复杂度：将基线模型Backbone和Neck网络中的标准卷积层替换为更高效的轻量化卷积模块，如 GSConv (混合卷积) 或 深度可分离卷积。此举旨在大幅减少模型参数与计算量，为边缘部署创造条件。
二是引入注意力机制以增强特征提取：在模型的关键部位（如Backbone末端及Neck的特征融合层后）嵌入 EMA (高效多尺度注意力) 或 CA (坐标注意力) 等轻量级注意力模块。使模型能更好地聚焦于病斑区域，抑制叶片纹理、土壤等复杂背景的干扰，从而提升对小目标和模糊目标的检测精度。最终，构建一个名为YOLOv11-TeaLight的改进模型。

2.2.2 技术实现方案
采用PyTorch深度学习框架，使用Python进行编程，利用CUDA和cuDNN进行GPU加速训练。边缘部署环节将使用OpenVINO或TensorRT等推理加速引擎。
轻量化卷积替换：在模型代码中定义GSConv模块，用以替换YOLO架构中Conv和C2f等模块内的标准卷积。
注意力机制集成：定义EMA注意力模块，将其插入到Backbone的SPPF层之前以及Neck模块的特征图融合之后。
消融实验：设置四组对照实验——(1)原始YOLOv11; (2)YOLOv11+GSConv; (3)YOLOv11+EMA; (4)YOLOv11-TeaLight，以科学评估各模块的贡献。对比实验：将最终模型与当前主流轻量模型（如YOLOv8n, YOLOv10n, MobileNet-SSD等）进行性能对比，证明其优越性。

3研究中拟解决的主要问题
3.1 核心问题界定
复杂场景下病害特征提取不足的问题：现有轻量级模型在应对茶叶病害的小目标、形态多变、以及复杂背景（如叶片重叠、光照不均、泥土干扰） 时，其特征表征能力有限，导致对细微病斑的漏检和误检率较高。其本质是模型难以在“轻量化”的约束下，有效地聚焦并提取出判别性强的病害特征。
模型计算效率与部署要求不匹配的问题：尽管YOLOv11等先进模型效率已很高，但其标准版本在参数量和计算复杂度上仍无法满足低功耗边缘设备对实时推理和低内存占用的苛刻要求。直接部署会导致延迟高、功耗大，无法用于田间地头的实时诊断。
精度与速度的权衡优化问题：单纯的模型轻量化（如通道剪裁）会带来显著的精度损失，而单纯的增加模型复杂度又无法部署。因此，如何在几乎不牺牲推理速度的前提下，甚至进一步提速的同时，通过结构化的改进来显著提升模型的识别精度，是本研究的核心挑战。即，需要找到一条超越传统“精度-速度”权衡曲线的新路径。
3.2 问题解决路径
通过算法创新、模型优化与实验验证三个阶段的闭环流程，系统性地的开展研究工作。

4研究方法及主要措施
4.1 研究方法选择的主要依据
YOLO系列算法是当前实时目标检测领域性能最优、应用最广泛的架构之一，其“单阶段”的设计理念天然具备速度快、效率高的特点，与边缘计算对低延迟的核心要求高度契合。选择最新的YOLOv11-n作为基线模型，能保证研究工作的前沿性和高起点；标准卷积操作是模型计算量的主要来源。深度可分离卷积通过将空间滤波与通道组合分离，能大幅减少参数和计算量，是MobileNet等轻量级网络的核心，其有效性已被业界广泛证实。GSConv 作为一种更新的混合卷积，在保持轻量化的同时能更好地保留特征信息，代表了轻量化技术的新方向。选择它们是为了直接应对边缘设备算力受限的问题，是达成“可部署”目标的核心技术手段；茶叶病害目标小、与背景对比度低，需要模型具备更强的特征选择能力。注意力机制模仿人类视觉系统，能够引导模型聚焦于关键区域（病斑）而抑制无关背景。坐标注意力（CA） 通过分解卷积捕获精确的位置信息，对小目标检测尤为有效；高效多尺度注意力（EMA） 则以极低的计算开销捕获跨维度交互和多尺度信息。选择它们是为了解决复杂背景下小目标特征提取不足的难题，旨在提升精度。
4.2 具体实施步骤
第一阶段：数据准备与预处理
数据收集：通过公开数据集下载，构建一个包含炭疽病、茶饼病、轮斑病等主要病害的数据图像库。
数据清洗与标注：使用LabelImg等工具对图像进行人工精确标注，生成PASCAL VOC或YOLO格式的标注文件（.xml或.txt）。剔除模糊、不相关的图像。
数据增强与划分：采用Mosaic、随机旋转、亮度/对比度调整、添加噪声等技巧扩充数据集，以增强模型泛化能力。按大约8:2的比例将数据集划分为训练集和验证集。
第二阶段：模型构建与改进
环境配置与基线模型复现：在Ubuntu系统下配置PyTorch、CUDA、cuDNN等深度学习环境。下载YOLOv11-n官方代码与预训练权重，在自有测试集上跑通基准测试，记录其精度（mAP）和效率（Params, FLOPs）作为基线性能。
模块开发与集成：在代码中新建gs_conv.py和ema_attention.py等文件，分别实现GSConv卷积模块和EMA注意力模块。
轻量化替换：系统地遍历模型结构（主要针对Backbone和Neck），将符合条件的标准卷积层替换为GSConv。
注意力注入：将EMA模块插入到经过论证的关键位置，例如Backbone的末端和Neck模块的特征融合之后。完成模型代码修改，确保能正常加载预训练权重并启动训练。将此改进模型命名为YOLOv11-TeaLight。
第三阶段：模型训练与调优
模型训练：使用准备好的数据集对改进后的YOLOv11-TeaLight模型进行训练。采用迁移学习策略，加载预训练权重并冻结部分底层网络进行微调，以加速收敛并防止过拟合。
超参数调优：调整学习率（Learning Rate）、批次大小（Batch Size）、优化器（如AdamW）等超参数，使用验证集监控训练过程，防止过拟合，追求最佳性能。
第四阶段：性能评估与对比分析
消融实验：设计四组实验：
实验组一：原始YOLOv11-n，实验组二：YOLOv11-n + GSConv，实验组三：YOLOv11-n + EMA，实验组四：YOLOv11-n + GSConv + EMA (即YOLOv11-TeaLight)
在测试集上统一评估，量化每个改进点的贡献。
对比实验：将最终最佳的YOLOv11-TeaLight模型与当前主流轻量模型（如YOLOv8-n, YOLOv10-n, MobileNetV3-SSD）进行全方位性能对比。
第五阶段：论文撰写与成果整理
整理所有实验数据、图表和结果。
系统性地撰写毕业论文全文，重点对实验现象和结果进行分析与讨论。
完成论文的修改、润色和查重工作。

5项目实施目标
5.1 核心目标
本研究的核心目标是提出并验证一种面向边缘计算场景的、更高效率与精度的茶叶病害识别方法。该方法通过对现有前沿目标检测方法的针对性改进，旨在为解决边缘设备计算资源与模型性能之间的矛盾提供一种有效的算法层面的解决方案。该目标可分解为以下两个具体、可衡量的层面：一是提出并验证一种新颖的轻量化目标检测模型，通过对YOLOv11-n模型进行改进，集成轻量化卷积模块（GSConv） 和高效注意力机制（EMA），并将其命名为 YOLOv11-TeaLight。该模型在自建的普洱茶叶病害数据集上的性能指标（主要是mAP@0.5）显著优于原始的YOLOv11-n基线模型。该模型的复杂度指标（包括参数量-Params、计算量-FLOPs和模型大小）显著低于或与基线模型持平，确保其轻量化特性；二是性能验证，与基线方法（原始YOLOv11-n）及其他主流轻量方法（如YOLOv8n, YOLOv10n）进行对比，量化证明所提方法在模型精度（以mAP@0.5为核心指标）上的提升。量化证明所提方法在模型效率（以参数量-Params、计算量-FLOPs为核心指标）上的优势或保持性。通过严格的消融实验，量化分析轻量化卷积替换与注意力机制两个改进点对最终性能的单独及联合贡献。
5.2 可交付成果
本研究工作结束后，将产生以下一系列具体、可评估的交付成果：
一个改进的、高性能的轻量化目标检测模型——YOLOv11-TeaLight，完整的模型代码（基于PyTorch框架），包括自定义的GSConv模块、EMA注意力模块的实现代码，以及集成后的完整模型定义文件。
一份全面的模型性能评估与对比实验报告，消融实验结果：清晰展示添加GSConv和EMA模块后，模型在精度和效率上带来的单独及联合增益。对比实验结果：以表格和图表形式，展示YOLOv11-TeaLight与YOLOv8n、YOLOv10n等主流轻量模型在精度（mAP, Precision, Recall）和效率（Params, FLOPs）上的全面对比数据。

6考核的主要技术指标
6.1 核心指标

1. 模型精度指标 (Model Accuracy Metrics)
   mAP@0.5 (mean Average Precision at IoU=0.5)：最核心的精度指标。计算所有类别在交并比（IoU）阈值为0.5时的平均精度（AP）的均值。它综合反映了模型在不同置信度下的综合分类和定位能力。目标：显著高于基线模型。
   mAP@0.5:0.95：在IoU阈值从0.5到0.95（步长0.05）区间内取多个值，计算平均AP的均值。这是一个更严格、更全面的指标，对定位精度的要求更高。
   Precision (精确率)：所有被预测为正样本的框中，真正为正样本的比例。衡量模型的误检率。
   Recall (召回率)：所有真实的正样本框中，被模型预测出来的比例。衡量模型的漏检率。
2. 模型效率指标 (Model Efficiency Metrics)
   Parameters (参数量)：模型需要训练的参数总数，单位为百万（Million, M）。直接决定模型文件的大小。目标：显著低于或与基线模型持平。
   GFLOPs (计算量)：模型进行一次前向推理所需的浮点运算次数，单位为十亿次（Giga FLOPs）。衡量模型的计算复杂度。目标：显著低于基线模型。
   Model Size (模型大小)：训练好的模型权重文件（.pt）的体积，单位为兆字节（MB）。直接影响模型的存储和传输开销。目标：显著小于基线模型。

6.2 验证方法

1. 消融实验 (Ablation Study)
   目的：逐一验证每个改进模块（轻量化卷积、注意力机制）的独立贡献，证明方法设计的合理性与必要性。
   方法：实验组A (Baseline)：原始YOLOv11-n模型，实验组B (Baseline + GSConv)：仅在基线模型上进行轻量化卷积替换，实验组C (Baseline + EMA)：仅在基线模型中引入轻量注意力模块，实验组D (Baseline + GSConv + EMA)：集成全部改进的最终方案，即YOLOv11-TeaLight方法。
   验证指标：对比四组实验的所有核心指标，精确分析每个改进点对精度和效率的影响。
2. 对比实验 (Comparative Experiment)
   目的：将最终提出的YOLOv11-TeaLight方法与当前主流、先进的轻量级目标检测方法进行横向对比，证明其综合优势。
   对比对象：选择公认的、具有代表性的轻量级模型作为对比基线，如YOLOv8-nano (YOLOv8n)、YOLOv10-nano (YOLOv10n)、PP-PicoDet、MobileNetV3-SSD等。
   验证指标：在相同的茶叶病害数据集上，使用相同的训练设置，统一评估并对比所有核心指标，尤其是mAP@0.5与FPS的平衡关系。

7研究计划
7.1 研究阶段划分
准备阶段：文献调研，搭建数据集与环境，跑通基线模型。
核心阶段：编码实现GSConv和EMA模块，集成到YOLOv11-n中，进行模型训练与调试。
验证阶段：进行消融实验、对比实验。
论文阶段：依据实验结果，撰写、修改并完成毕业论文。
7.2 研究里程碑设置
M1（8-9月）：文献综述、环境搭建、基线模型测试。
M2（10月-12月）：模型改进代码实现、训练调试
M3（1月-2月）：数据采集、消融对比实验、指标统计。
M4（3月-4月）：论文撰写、修改、答辩准备。

参考文献

[1] 宋时磊. 中国茶文化的形成、发展及影响[J].人民论坛,2022,(19):96-99.
[2] 拓福婷,孙玉丰. 基于改进YOLOv5的茶叶病害识别系统研究与应用[J].信息技术与信息化,2025,(07):176-179.
[3] 肖双喜, 姚彤彤, 李灿. 基于改进MobileNetV2的轻量化茶叶病虫害检测方法[J]. 华南农业大学学报, 2025, 46(0): 1-10.
[4] TDDet：一种轻量高效的茶叶病害检测器[J]. Computers and Electronics in Agriculture, 2025.
[5] 基于三重注意力机制的多视角茶叶病害检测方法[J]. 2025.
[6] 融合通道和空间注意力的茶叶病害目标检测方法[J]. 信阳师范大学学报(自然科学版), 2025(01).
[7] Multiclass weed and crop detection using optimized YOLO models on edge devices[J]. Journal of Agriculture and Food Research, 2025.
[8] 黄山学院“智茶先锋”团队赋能茶产业新路径[EB/OL]. 黄山新闻网, 2025.